Resumen

  1. Presentación de objetivos
  1. Breve introducción a series de tiempo
  1. Presentación de las series analizadas
  1. Métricas de evaluación, selección de parámetros y validación del modelo
  1. Metodología y aplicación de los modelos
  1. Comparación de resultados
  1. Conclusión

1. OBJETIVOS

1. Objetivos

  • Comparar la precisión, eficiencia y facilidad de pronosticar series de tiempo

    • ARIMA

    • XGBoost y LightGBM

    • LSTM

    • TimeGPT y Chronos

  • Definir y aplicar métricas de evaluación

    • MAPE

    • Interval score

  • Reflexionar sobre los criterios de selección de modelos

2. Breve introducción a series de tiempo

2. Introducción a series de tiempo

Serie de tiempo:

Conjunto de observaciones \(\{z_1, z_2, ..., z_t, ..., z_n\}\) cuantitativas ordenadas en el tiempo.

Componentes de una serie:

  • Estacionalidad

  • Tendencia

  • Residuos

3. Presentación de las series analizadas

3. Presentación de las series analizadas

  • Atenciones de guardia mensuales por patologías respiratorias en un hospital de la ciudad de Rosario.

  • Número mensual de personas registradas con empleo asalariado en el sector educativo privado de Argentina.

  • Temperatura horaria en la ciudad de Rosario.

3. Atenciones en guardia

Número mensual de atenciones en guardia por patologías respiratorias (Códigos CIE10: J09–J18, J21, J22 y J44) en el Hospital de Niños Víctor J. Vilela de la ciudad de Rosario.

3. Trabajadores asalariados

Cantidad mensual de personas con empleo asalariado en el área de enseñanza, registradas en el sector privado en Argentina.

3. Temperaturas

Temperaturas (Cº) horarias en Rosario correspondientes a los primeros días de marzo de 2025

3. Temperaturas


3. Temperaturas

Temperaturas (Cº) horarias en Rosario correspondientes a los primeros días de marzo de 2025

3. Temperaturas

4. Métricas de evaluación, selección de parámetros y validación del modelo

4. Métricas de evaluación, selección de parámetros y validación del modelo